跳到主要内容
MCP 服务器是通过标准化协议接口向 AI 应用程序开放特定能力的程序。 常见的例子包括用于文档访问的文件系统服务器、用于数据查询的数据库服务器、用于代码管理的 GitHub 服务器、用于团队沟通的 Slack 服务器以及用于日程安排的日历服务器。

​
核心服务器功能

服务器通过三个构建块提供功能
功能说明示例控制方
工具LLM 可以主动调用的函数，并根据用户请求决定何时使用。工具可以写入数据库、调用外部 API、修改文件或触发其他逻辑。搜索航班
发送消息
创建日历事件		模型
资源被动数据源，为上下文提供信息的只读访问，如文件内容、数据库模式或 API 文档。检索文档
访问知识库
读取日历		应用程序
提示预构建的指令模板，指导模型如何使用特定的工具和资源。规划假期
总结会议内容
起草电子邮件		用户
我们将使用一个假设场景来演示这些功能的角色，并展示它们如何协同工作。

​
工具

工具使 AI 模型能够执行操作。每个工具定义了一个具有类型化输入和输出的特定操作。模型根据上下文请求执行工具。

​
工具 (Tools) 如何工作

工具是 LLM 可以调用的架构定义接口。MCP 使用 JSON Schema 进行验证。每个工具执行一个具有明确定义输入和输出的单一操作。工具在执行前可能需要用户授权，以确保用户能够控制模型采取的行动。 协议操作：
方法目的返回
tools/list发现可用工具带有架构的工具定义数组
tools/call执行特定工具工具执行结果
工具定义示例 
{
  name: "searchFlights",
  description: "Search for available flights",
  inputSchema: {
    type: "object",
    properties: {
      origin: { type: "string", description: "Departure city" },
      destination: { type: "string", description: "Arrival city" },
      date: { type: "string", format: "date", description: "Travel date" }
    },
    required: ["origin", "destination", "date"]
  }
}

​
示例：差旅预订

工具使 AI 应用程序能够代表用户执行操作。在差旅规划场景中，AI 应用程序可能会使用多个工具来协助预订假期： 航班搜索 (Flight Search)
searchFlights(origin: "NYC", destination: "Barcelona", date: "2024-06-15")
查询多家航空公司并返回结构化的航班选项。 日历占位 (Calendar Blocking)
createCalendarEvent(title: "Barcelona Trip", startDate: "2024-06-15", endDate: "2024-06-22")
在用户的日历中标记旅行日期。 邮件通知 (Email notification)
sendEmail(to: "[email protected]", subject: "Out of Office", body: "...")
向同事发送自动的离职/休假回复消息。

​
用户交互模型

工具是由模型控制的，这意味着 AI 模型可以自动发现并调用它们。然而，MCP 强调通过多种机制进行人工监督。 为了安全与信任，应用程序可以通过各种机制实现用户控制，例如：
  • 在 UI 中显示可用工具，允许用户定义在特定交互中是否可以使用该工具
  • 针对单个工具执行的确认对话框
  • 预先批准某些安全操作的权限设置
  • 显示所有工具执行情况及其结果的活动日志

​
资源

资源提供对信息的结构化访问，AI 应用程序可以检索这些信息并将其作为上下文提供给模型。

​
资源 (Resources) 如何工作

资源公开来自文件、API、数据库或 AI 理解上下文所需的任何其他来源的数据。应用程序可以直接访问这些信息并决定如何使用——无论是选择相关部分、使用嵌入（embeddings）进行搜索，还是将其全部传递给模型。 每个资源都有一个唯一的 URI（例如 file:///path/to/document.md）并声明其 MIME 类型以便进行适当的内容处理。 资源支持两种发现模式：
  • 直接资源 - 指向特定数据的固定 URI。例如：calendar://events/2024 - 返回 2024 年的日历空闲情况
  • 资源模板 - 带有参数的动态 URI，用于灵活查询。示例
    • travel://activities/{city}/{category} - 按城市和类别返回活动
    • travel://activities/barcelona/museums - 返回巴塞罗那的所有博物馆
资源模板包含标题、描述和预期 MIME 类型等元数据，使其具有可发现性和自解释性。 协议操作：
方法目的返回
resources/list列出可用的直接资源资源描述符数组
resources/templates/list发现资源模板资源模板定义数组
resources/read检索资源内容带有元数据的资源数据
resources/subscribe监控资源变化订阅确认

​
示例：获取旅行规划上下文

继续以差旅规划为例，资源为 AI 应用程序提供了相关信息的访问权限：
  • 日历数据 (calendar://events/2024) - 检查用户空闲时间
  • 旅行文档 (file:///Documents/Travel/passport.pdf) - 访问重要文件
  • 过往行程 (trips://history/barcelona-2023) - 参考过去的旅行和偏好
AI 应用程序检索这些资源并决定如何处理它们，无论是使用嵌入或关键字搜索选择数据子集，还是直接传递原始数据给模型。 在这种情况下，它向模型提供日历数据、天气信息和旅行偏好，使模型能够检查可用性、查找天气模式并参考过去的旅行偏好。 资源模板示例：
{
  "uriTemplate": "weather://forecast/{city}/{date}",
  "name": "weather-forecast",
  "title": "Weather Forecast",
  "description": "Get weather forecast for any city and date",
  "mimeType": "application/json"
}

{
  "uriTemplate": "travel://flights/{origin}/{destination}",
  "name": "flight-search",
  "title": "Flight Search",
  "description": "Search available flights between cities",
  "mimeType": "application/json"
}
这些模板支持灵活查询。对于天气数据，用户可以访问任何城市/日期组合的预报。对于航班，他们可以搜索任意两个机场之间的路线。当用户输入“NYC”作为 origin（始发地）机场并开始输入“Bar”作为 destination（目的地）机场时，系统可以建议“Barcelona (BCN)”或“Barbados (BGI)”。

​
参数补全

动态资源支持参数补全。例如：
  • 为 weather://forecast/{city} 输入 “Par” 可能会提示 “Paris” 或 “Park City”
  • 为 flights://search/{airport} 输入 “JFK” 可能会提示 “JFK - John F. Kennedy International”
系统帮助发现有效值，而无需用户了解精确的格式。

​
用户交互模型

资源是应用程序驱动的，使其在检索、处理和展示可用上下文方面具有灵活性。常见的交互模式包括：
  • 在熟悉的文件夹式结构中浏览资源的树状或列表视图
  • 用于查找特定资源的搜索和过滤界面
  • 基于启发式方法或 AI 选择的自动上下文包含或智能建议
  • 用于包含单个或多个资源的手动或批量选择界面
应用程序可以自由地通过任何符合其需求的界面模式实现资源发现。协议不强制要求特定的 UI 模式，允许包含具有预览能力的资源选择器、基于当前对话上下文的智能建议、包含多个资源的批量选择，或与现有的文件浏览器和数据资源管理器集成。

​
提示

提示词提供可重用的模板。它们允许 MCP 服务器作者为特定领域提供参数化提示，或展示如何最佳地使用该 MCP 服务器。

​
提示词 (Prompts) 如何工作

提示词是定义了预期输入和交互模式的结构化模板。它们由用户控制，需要显式调用而非自动触发。提示词可以是上下文感知的，引用可用的资源和工具来创建完整的工作流。与资源类似，提示词支持参数补全，以帮助用户发现有效的参数值。 协议操作：
方法目的返回
prompts/list发现可用提示词提示词描述符数组
prompts/get检索提示词详情带有参数的完整提示词定义

​
示例：流线型工作流

提示词为常见任务提供结构化模板。在差旅规划背景下： “规划假期”提示词：
{
  "name": "plan-vacation",
  "title": "Plan a vacation",
  "description": "Guide through vacation planning process",
  "arguments": [
    { "name": "destination", "type": "string", "required": true },
    { "name": "duration", "type": "number", "description": "days" },
    { "name": "budget", "type": "number", "required": false },
    { "name": "interests", "type": "array", "items": { "type": "string" } }
  ]
}
相比于非结构化的自然语言输入，提示词系统支持：
  1. 选择“规划假期”模板
  2. 结构化输入：巴塞罗那，7天，$3000，[“海滩”, “建筑”, “美食”]
  3. 基于模板的一致工作流执行

​
用户交互模型

提示词由用户控制，需要显式调用。该协议给予实现者自由去设计在应用程序中感觉自然的界面。核心原则包括：
  • 易于发现可用提示词
  • 清晰描述每个提示词的功能
  • 带有验证的自然参数输入
  • 透明展示提示词的底层模板
应用程序通常通过各种 UI 模式展示提示词，例如：
  • 斜杠命令（输入 “/” 查看可用提示词，如 /plan-vacation）
  • 用于可搜索访问的操作面板 (Command palettes)
  • 常用提示词的专用 UI 按钮
  • 建议相关提示词的右键上下文菜单

​
整合多个服务器

当多个服务器协同工作，通过统一接口结合其专业能力时，MCP 的真正威力才会显现。

​
示例：多服务器差旅规划

考虑一个个性化 AI 差旅规划应用程序，连接了三个服务器：
  • 旅行服务器 - 处理航班、酒店和行程
  • 天气服务器 - 提供气候数据和预报
  • 日历/邮件服务器 - 管理日程和沟通

​
完整流程

  1. 用户调用带参数的提示词 
    {
  "prompt": "plan-vacation",
  "arguments": {
    "destination": "Barcelona",
    "departure_date": "2024-06-15",
    "return_date": "2024-06-22",
    "budget": 3000,
    "travelers": 2
  }
}
  2. 用户选择要包含的资源
    • calendar://my-calendar/June-2024（来自日历服务器）
    • travel://preferences/europe（来自旅行服务器）
    • travel://past-trips/Spain-2023（来自旅行服务器）
  3. AI 使用工具处理请求： AI 首先读取所有选定的资源以收集上下文——从日历中识别可用日期，从旅行偏好中了解首选航空公司和酒店类型，并从过去的旅行中发现之前喜欢的地点。 利用这些上下文，AI 接着执行一系列工具：
    • searchFlights() - 为纽约到巴塞罗那的航班查询航空公司
    • checkWeather() - 检索旅行日期的气候预报
    AI 随后使用这些信息创建预订及后续步骤，并在必要时请求用户批准：
    • bookHotel() - 在指定预算内寻找酒店
    • createCalendarEvent() - 将行程添加到用户的日历中
    • sendEmail() - 发送包含行程详情的确认邮件
结果： 通过多个 MCP 服务器，用户调研并预订了一次量身定制的巴塞罗那之旅。 “规划假期”提示词引导 AI 将不同服务器上的资源（日历可用性和旅行历史）与工具（搜索航班、预订酒店、更新日历）相结合——收集上下文并执行预订。原本可能需要数小时的任务，使用 MCP 在几分钟内即可完成。